GOAL：用于连续广义类别发现的几何最优对齐
计算机视觉与模式识别
2026-02-24 v1 人工智能
摘要
连续广义类别发现（C-GCD）需要在 unlabeled data 中识别新类，同时保留已知类的知识。现有方法通常动态更新分类器权重，导致遗忘和不一致的特征对齐。我们提出GOAL，一个统一框架，引入固定的等角紧致帧（ETF）分类器以在学习过程中施加一致的几何结构。GOAL对标记样本执行监督对齐，对新样本执行置信度引导对齐，实现在不扰乱旧类的前提下稳定地集成新类。实验在四个基准数据集上表明，GOAL超过了先前方法Happy，降低了16.1%的遗忘，提升了3.2%的新类别发现，建立了解决长期持续发现的强方法。
引用
@article{arxiv.2602.19872,
title = {GOAL: Geometrically Optimal Alignment for Continual Generalized Category Discovery},
author = {Jizhou Han and Chenhao Ding and SongLin Dong and Yuhang He and Shaokun Wang and Qiang Wang and Yihong Gong},
journal= {arXiv preprint arXiv:2602.19872},
year = {2026}
}
备注
Accept by AAAI 2026